CN106408029A - 一种基于结构差分直方图的图像纹理分类方法 - Google Patents

一种基于结构差分直方图的图像纹理分类方法 Download PDF

Info

Publication number
CN106408029A
CN106408029A CN201610857338.8A CN201610857338A CN106408029A CN 106408029 A CN106408029 A CN 106408029A CN 201610857338 A CN201610857338 A CN 201610857338A CN 106408029 A CN106408029 A CN 106408029A
Authority
CN
China
Prior art keywords
texture
image
mode
histogram
local binary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610857338.8A
Other languages
English (en)
Other versions
CN106408029B (zh
Inventor
董永生
冯金旺
梁灵飞
郑林涛
刘中华
普杰信
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201610857338.8A priority Critical patent/CN106408029B/zh
Publication of CN106408029A publication Critical patent/CN106408029A/zh
Application granted granted Critical
Publication of CN106408029B publication Critical patent/CN106408029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

一种基于结构差分直方图的图像纹理分类方法，通过提取图像纹理三个部分的特征，即分割结构模式特征、细分的局部二值模式特征和邻域差分模式特征，并对三个部分特征进行标准化，形成用于描述纹理图像的结构差分直方图表示特征，实现对图像纹理进行分类的目的。本发明有益效果：有效地提高了纹理图像的分类精度，有效地适应较小尺寸的纹理图像，另外，本发明方法充分利用了纹理图像的方向多尺度信息，具有广泛的应用价值。

Description

一种基于结构差分直方图的图像纹理分类方法
技术领域
本发明涉及模式识别和计算机视觉领域的纹理图像分类，具体地说是一种基于结构差分直方图的图像纹理分类方法。
背景技术
纹理广泛存在于客观世界，是表达物体表面或结构的一种基本属性，也是计算机视觉中一个很重要的研究方向。纹理的直观意义十分明确。但是对于纹理是什么，人们的概念还是比较模糊。在图形处理中，纹理有着广泛而笼统的含义。基于纹理的分析和应用研究已经进行了近六十年。纹理方面的研究到现在仍然非常活跃，国内外有许多研究机构都在从事这方面的工作，近些年在国际知名杂志和重要会议上，关于纹理识别的研究成果层出不穷，多达数百篇。由此可见，纹理分析和识别是一个非常活跃的研究热点，有着非常重要的理论研究和实际应用价值。但是，由于纹理形式的广泛与多样，与纹理相关的很多问题尚未得到解决，如纹理的定义及对其特征的精确描述。目前，基于纹理的特征提取方法大致可以分为两类：空域和变换域方法。其中，基于变换域的方法已经提出了很多比较好的特征提取方法，并且能够成功的应用于实际的应用程序当中。但是，多数基于变换域的特征只利用变换系数的统计特性来表示纹理图像，例如能量直方图方法。因此，在实际应用中仍然存在着很多亟待解决的问题，例如分类精度不高，特征维数大，处理图片耗时等等。
发明内容
本发明所要解决的技术问题是提供一种基于结构差分直方图的图像纹理分类方法，用于克服现有分类方法分类精度不高、特征维数大、处理图片耗时等问题。
本发明为解决上述技术问题所采用的技术方案是：一种基于结构差分直方图的图像纹理分类方法，包括以下步骤：
步骤一、采用分割算法提取图像纹理的分割结构模式特征，具体方法为：
（1）根据输入的纹理图像Ⅰ，获取它的最大像素值MaxG、最小像素值MinG和平均像素值MeanG；
（2）根据步骤（1）中得到的三个像素值得到分割阈值t n 的表达式：
，
其中，N为奇数，是分割阈值的个数，t 1 =MinG，t (N+1)/2 =MeanG，t N =MaxG；
（3）利用分割阈值t n 把纹理图像I转化为分割结构：
，其中，是纹理图像I在点(x,y)处的像素值；
（4）利用分割结构计算分割结构模式集：对于分割结构中的一个值，它的分割结构模式SSP表示为，其中，是该值的第i个邻居，Lt是该值的邻居的个数；通过对分割结构模式进行统计计数，获取分割结构模式的直方图特征；
步骤二、对传统完整局部二值模式中的非统一模式进行细分，建立细分模式的直方图作为细分的局部二值模式特征；
步骤三、利用局部邻域相邻像素间的差分信息，计算分割结构模式特征和局部二值模式特征的邻域差分模式特征：分割结构模式特征和局部二值模式特征的差分模式用NDP表示，则，其中是纹理图像I和分割结构的第i个邻居值，Lt是邻居的个数；通过对NDP集进行统计，建立邻域差分模式的直方图作为邻域差分模式特征；
步骤四、对规范化的分割结构模式直方图特征、细分的局部二值模式直方图特征和邻域差分模式直方图特征进行联合，把联合的特征作为纹理图像的结构差分直方图分类特征，并利用该特征，采用KNN分类器对纹理图像进行分类，获取分类结果。
本发明所述步骤二中对传统完整局部二值模式进行细分的具体方法为：对于给定的纹理图像I，它的局部二值模式用LBP表示，则，其中是纹理图像I的像素的第i个邻居值，P是邻居值的总数，为符号函数，当时，否则；则细分的局部二值模式RLBP为：
，
其中U(LBP)是局部二值模式序列中0/1和1/0转换的次数，通过对每一类细分的局部二值模式进行统计即得到细分的局部二值模式直方图。
本发明所述邻居值的总数P的取值为8。
本发明所述步骤一中分割阈值的个数N的取值为5。
本发明所述步骤一和步骤三中Lt的取值均为32。
本发明所述步骤四中采用KNN分类器对纹理图像进行分类时，k的取值为1。
本发明的有益效果是：（1）本发明所述的图像纹理分类方法有效地结合了图像纹理的局部特征信息和宏观纹理结构信息，首先分割结构模式特征包含了图像纹理的完整轮廓结构，用于表示图像纹理的整体轮廓信息，细分的局部二值模式特征是对传统的完整局部二值模式进行细分，使传统完整局部二值模式方法中的非统一模式得到了充分的利用，利用分割结构模式和细分局部二值模式的邻居像素间的差分信息，得到邻域差分模式特征，其中，细分局部二值模式和邻域差分模式特征获取的是图像纹理的局部纹理信息，这三个部分的特征通过标准化，形成了用于描述纹理图像的结构差分直方图表示特征。因此该图像纹理表示方法有效的结合了图像纹理的局部和宏观纹理信息，能够很好地描述纹理的特征。
（2）针对不同的成像条件，例如光照变化、图像旋转和放缩等，结构差分直方图特征都能够获取很好地分类性能，在很大程度上提高了分类精度。
（3）本发明特征提取方法的计算速度很快，特征的维数相对比较小，在保证分类性能的同时能够实现快速的纹理图像分类。
附图说明
图1为本发明图像纹理分类方法的流程示意图；
图2为计算分割结构模式特征的流程示意图；
图3为计算细分局部二值模式特征的流程图；
图4为计算邻域差分模式特征的流程图；
图5为本发明方法和其它方法的平均分类精度对比图。
具体实施方式
一种基于结构差分直方图的图像纹理分类方法，包括以下步骤：
步骤一、采用分割算法提取图像纹理的分割结构模式特征，具体方法为：
（1）根据输入的纹理图像Ⅰ，获取它的最大像素值MaxG、最小像素值MinG和平均像素值MeanG；
（2）根据步骤（1）中得到的三个像素值得到分割阈值t n 的表达式：
，
其中，N为奇数，是分割阈值的个数，t 1 =MinG，t (N+1)/2 =MeanG，t N =MaxG；
（3）利用分割阈值t n 把纹理图像I转化为分割结构：
，其中，是纹理图像I在点(x,y)处的像素值；
（4）利用分割结构计算分割结构模式集：对于分割结构中的一个值，它的分割结构模式SSP表示为，其中，是该值的第i个邻居，Lt是该值的邻居的个数；通过对分割结构模式进行统计计数，获取分割结构模式的直方图特征。
步骤二、对传统完整局部二值模式中的非统一模式进行细分，建立细分模式的直方图作为细分的局部二值模式特征；
步骤三、利用局部邻域相邻像素间的差分信息，计算分割结构模式特征和局部二值模式特征的邻域差分模式特征：分割结构模式特征和局部二值模式特征的差分模式用NDP表示，则，其中是纹理图像I和分割结构的第i个邻居值，Lt是邻居的个数；通过对NDP集进行统计，建立邻域差分模式的直方图作为邻域差分模式特征；
步骤四、对规范化的分割结构模式直方图特征、细分的局部二值模式直方图特征和邻域差分模式直方图特征进行联合，把联合的特征作为纹理图像的结构差分直方图分类特征，并利用该特征，采用KNN分类器对纹理图像进行分类，获取分类结果。
进一步，步骤二中对传统完整局部二值模式进行细分的具体方法为：对于给定的纹理图像I，它的局部二值模式用LBP表示，则，其中是纹理图像I的像素的第i个邻居值，P是邻居值的总数，为符号函数，当时，否则；则细分的局部二值模式RLBP为：
，
其中U(LBP)是局部二值模式序列中0/1和1/0转换的次数，通过对每一类细分的局部二值模式进行统计即得到细分的局部二值模式直方图。
进一步，邻居值的总数P的取值为8。
进一步，步骤一中分割阈值的个数N的取值为5。
进一步，步骤一和步骤三中Lt的取值均为32。
进一步，步骤四中采用KNN分类器对纹理图像进行分类时，k的取值为1。
实施例
下面通过对标准纹理库CUReT中的纹理图像进行分类实例阐述本发明的具体实施方式：
步骤一：利用分割结构算法提取图像纹理的分割结构模式特征。
对输入的纹理图像计算邻域差分模式特征的具体过程如下：
1）. 获取输入图像的最大、最小和平均像素值；
2）. 利用这三个像素值计算分割阈值；
3）. 根据分割阈值把输入图像转化成分割结构；
4）. 计算分割结构的模式集，对整个输入图像的局部结构模式建立统计直方图作为分割结构模式特征。
步骤二：计算细分的局部二值模式特征。
在传统完整局部二值模式的基础上，对计算出的非统一模式进行进一步的划分，得到细分的局部二值模式特征；
步骤三：计算分割结构模式和细分局部二值模式局部邻域的邻域差分模式特征。
邻域差分特征主要根据分割结构模式和细分局部二值模式提取的，首先获取它们局部邻域中相邻两个像素间的差分信息，通过相邻像素间的差值来量化它们间的关系，当差值不小于0时量化值为1，反之为0；然后对每个局部邻域形成的0/1序列求和，把这个和值作为邻域差分模式，最后对它们的邻域差分模式集进行统计计数建立模式直方图，即邻域差分模式特征。
步骤四：对得到的三部分规范化的直方图特征，通过联合形成纹理图像的结构差分直方图表示特征，用K近邻分类器对纹理图像进行分类，得到分类精度。
将本方法和其它7个纹理特征提取方法进行比较，十次实验的平均分类正确率（ACAR，%）结果如图5所示，图5验证了本方法的有效性和优越性。
通过与其他方法的比较，可以验证本发明所提出的方法相对于其它7个算法具有很好的优越性：有效地提高了纹理图像的分类精度，有效地适应纹理图像成像条件的变化，有效地提高分类速度。另外，本发明所提出的方法相对于传统局部二值模式（LBP）方法在保留计算简单的基础上，充分的利用了传统方法丢失的信息，具有广泛的应用价值。

Claims (6)

1.一种基于结构差分直方图的图像纹理分类方法，其特征在于：包括以下步骤：
步骤一、采用分割算法提取图像纹理的分割结构模式特征，具体方法为：
（1）根据输入的纹理图像Ⅰ，获取它的最大像素值MaxG、最小像素值MinG和平均像素值MeanG；
（2）根据步骤（1）中得到的三个像素值得到分割阈值t n 的表达式：
，
其中，N为奇数，是分割阈值的个数，t 1 =MinG，t (N+1)/2 =MeanG，t N =MaxG；
（3）利用分割阈值t n 把纹理图像I转化为分割结构：
，其中，是纹理图像I在点(x,y)处的像素值；
（4）利用分割结构计算分割结构模式集：对于分割结构中的一个值，它的分割结构模式SSP表示为，其中，是该值的第i个邻居，Lt是该值的邻居的个数；通过对分割结构模式进行统计计数，获取分割结构模式的直方图特征；
步骤二、对传统完整局部二值模式中的非统一模式进行细分，建立细分模式的直方图作为细分的局部二值模式特征；
步骤三、利用局部邻域相邻像素间的差分信息，计算分割结构模式特征和局部二值模式特征的邻域差分模式特征：分割结构模式特征和局部二值模式特征的差分模式用NDP表示，则，其中是纹理图像I和分割结构的第i个邻居值，Lt是邻居的个数；通过对NDP集进行统计，建立邻域差分模式的直方图作为邻域差分模式特征；
步骤四、对规范化的分割结构模式直方图特征、细分的局部二值模式直方图特征和邻域差分模式直方图特征进行联合，把联合的特征作为纹理图像的结构差分直方图分类特征，并利用该特征，采用KNN分类器对纹理图像进行分类，获取分类结果。
2.根据权利要求1所述的一种基于结构差分直方图的图像纹理分类方法，其特征在于：所述步骤二中对传统完整局部二值模式进行细分的具体方法为：对于给定的纹理图像I，它的局部二值模式用LBP表示，则，其中是纹理图像I的像素的第i个邻居值，P是邻居值的总数，为符号函数，当时，否则；则细分的局部二值模式RLBP为：
，
其中U(LBP)是局部二值模式序列中0/1和1/0转换的次数，通过对每一类细分的局部二值模式进行统计即得到细分的局部二值模式直方图。
3.根据权利要求2所述的一种基于结构差分直方图的图像纹理分类方法，其特征在于：所述邻居值的总数P的取值为8。
4.根据权利要求1所述的一种基于结构差分直方图的图像纹理分类方法，其特征在于：所述步骤一中分割阈值的个数N的取值为5。
5.根据权利要求1所述的一种基于结构差分直方图的图像纹理分类方法，其特征在于：所述步骤一和步骤三中Lt的取值均为32。
6.根据权利要求1所述的一种基于结构差分直方图的图像纹理分类方法，其特征在于：所述步骤四中采用KNN分类器对纹理图像进行分类时，k的取值为1。
CN201610857338.8A 2016-09-28 2016-09-28 一种基于结构差分直方图的图像纹理分类方法 Active CN106408029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610857338.8A CN106408029B (zh) 2016-09-28 2016-09-28 一种基于结构差分直方图的图像纹理分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610857338.8A CN106408029B (zh) 2016-09-28 2016-09-28 一种基于结构差分直方图的图像纹理分类方法

Publications (2)

Publication Number Publication Date
CN106408029A true CN106408029A (zh) 2017-02-15
CN106408029B CN106408029B (zh) 2019-09-24

Family

ID=57997759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610857338.8A Active CN106408029B (zh) 2016-09-28 2016-09-28 一种基于结构差分直方图的图像纹理分类方法

Country Status (1)

Country Link
CN (1) CN106408029B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862335A (zh) * 2017-11-07 2018-03-30 河南科技大学 一种基于多尺度反馈度量学习的纹理图像分类方法
CN108564095A (zh) * 2018-04-25 2018-09-21 河南科技大学 一种基于对比度局部二值模式的图像纹理分类方法
CN109271997A (zh) * 2018-08-28 2019-01-25 河南科技大学 一种基于跳跃细分局部模式的图像纹理分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568002A (zh) * 2011-12-20 2012-07-11 福建省华大数码科技有限公司 基于纹理和运动模式融合的运动目标检测算法
CN102663399A (zh) * 2012-04-16 2012-09-12 北京博研新创数码科技有限公司 一种基于Hilbert曲线和LBP的图像局部特征提取方法
KR101432440B1 (ko) * 2013-04-29 2014-08-21 홍익대학교 산학협력단 화재 연기 감지 방법 및 장치
CN104392461A (zh) * 2014-12-17 2015-03-04 中山大学 一种基于纹理特征的视频跟踪方法
CN105139013A (zh) * 2015-07-08 2015-12-09 河南科技大学 一种融合形状特征和兴趣点的物体识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568002A (zh) * 2011-12-20 2012-07-11 福建省华大数码科技有限公司 基于纹理和运动模式融合的运动目标检测算法
CN102663399A (zh) * 2012-04-16 2012-09-12 北京博研新创数码科技有限公司 一种基于Hilbert曲线和LBP的图像局部特征提取方法
KR101432440B1 (ko) * 2013-04-29 2014-08-21 홍익대학교 산학협력단 화재 연기 감지 방법 및 장치
CN104392461A (zh) * 2014-12-17 2015-03-04 中山大学 一种基于纹理特征的视频跟踪方法
CN105139013A (zh) * 2015-07-08 2015-12-09 河南科技大学 一种融合形状特征和兴趣点的物体识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAN HU.ETC: "Feature reduction of multi-scale LBP for texture classification", 《2015 INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》 *
董永生: "基于方向多尺度变换和统计建模的纹理分类方法", 《中国科学：数学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862335A (zh) * 2017-11-07 2018-03-30 河南科技大学 一种基于多尺度反馈度量学习的纹理图像分类方法
CN108564095A (zh) * 2018-04-25 2018-09-21 河南科技大学 一种基于对比度局部二值模式的图像纹理分类方法
CN109271997A (zh) * 2018-08-28 2019-01-25 河南科技大学 一种基于跳跃细分局部模式的图像纹理分类方法
CN109271997B (zh) * 2018-08-28 2022-01-28 河南科技大学 一种基于跳跃细分局部模式的图像纹理分类方法

Also Published As

Publication number Publication date
CN106408029B (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
CN105184772B (zh) 一种基于超像素的自适应彩色图像分割方法
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN106991689B (zh) 基于fhog和颜色特征的目标跟踪方法及gpu加速
CN102722891A (zh) 一种图像显著度检测的方法
CN104616308A (zh) 一种基于核模糊聚类的多尺度水平集图像分割方法
CN108959379B (zh) 一种基于视觉显著区域和手绘草图的服装图像检索方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN106408029B (zh) 一种基于结构差分直方图的图像纹理分类方法
CN102663399A (zh) 一种基于Hilbert曲线和LBP的图像局部特征提取方法
CN109741358A (zh) 基于自适应超图学习的超像素分割方法
CN106846321B (zh) 一种基于贝叶斯概率与神经网络的图像分割方法
CN113744241A (zh) 基于改进slic算法的细胞图像分割方法
CN102411776A (zh) 基于统计学和分形维数的机器人视觉图像分割方法
CN117765287A (zh) 一种结合lwr和密度聚类的图像目标提取方法
Xie et al. 3D surface segmentation from point clouds via quadric fits based on DBSCAN clustering
CN110490210B (zh) 一种基于紧致通道间t采样差分的彩色纹理分类方法
CN107424172B (zh) 基于前景判别和圆形搜索方法的运动目标跟踪方法
Bitsakos et al. An experimental study of color-based segmentation algorithms based on the mean-shift concept
CN106815845A (zh) 基于像素概率密度分类的彩色图像分割方法
CN114092486A (zh) 一种图像纹理背景自动分割方法及装置
El rube’ Image Color Reduction Using Progressive Histogram Quantization and Kmeans Clustering
Wu et al. Human ear recognition using HOG with PCA dimension reduction and LBP
CN113191370A (zh) 一种基于阈值自适应阈值调整的orb算法
Bei et al. An Improved ORB Algorithm for Feature Extraction and Homogenization Algorithm
CN107563415B (zh) 一种基于局部滤波特征矢量的图像匹配方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant